9位院士12位专家联合撰文：智能计算的新进展、挑战与未来( 五 ) _神经网络

神经形态计算（图14）的构造和操作受到大脑中神经元和突触的启发，因其能源效率高而非常适合计算，神经形态计算是事件驱动和高度并行化的，这意味着只有小部分系统同时工作，所以消耗的功率非常?。?
光子计算（图15）与电神经网络相比具有许多优势，包括超高带宽、快速计算速度和高并行性，所有这些都是通过使用光子硬件加速来计算复杂的矩阵向量乘法来实现的；
生物计算（图16）是利用生物系统固有的信息处理机制发展起来的一种新的计算模型，主要包括蛋白质计算机、RNA计算机和DNA计算机，具有并行和分布式计算能力强、功耗低的优势。

文章插图

△图13：显示复杂性等级之间关系的图表（a）以及用于识别和评估可能的量子优势的流程图（b）

文章插图

△图14：传统计算系统和类脑计算系统的结构

文章插图

△图15：深度神经网络，包括传统网络和电子光子网络

文章插图

△图16：生物计算可能提供优于传统计算机的性能
智能计算的应用
如果要跟上当前科学的快速发展，就必须不断的进行革新。现在正在进行的计算机革命的融合将以前所未有的方式极大地推动科学发现的进步。
几十年来，计算材料（图17）已成为研究材料特性和设计新材料的有力手段。然而，由于材料和材料行为的复杂性，它们的应用面临许多挑战，包括缺乏许多原子、离子以及原子和离子相互作用的力场和电位，分子动力学模拟中的不同热力学相，以及优化材料成分和工艺参数的巨大搜索空间。作为一种新的研究范式，AI集成到计算材料中是对传统计算材料的革命，并且已经在多长度、多时间尺度、多物理场耦合计算方面取得了巨大成功。

文章插图

△图17：材料/分子科学范式的比较
作为最古老的观测科学之一，天文学在历史上收集了大量数据。由于望远镜技术的突破，收集到的数据爆炸性增长。天文学和天体物理学领域的特点是拥有丰富的数据和各种大口径的地面望远镜，例如即将推出的大型巡天望远镜和天基望远镜。使用高分辨率相机和相关工具，数据收集现在更加高效，并且在很大程度上实现了自动化，必须进行更高效的数据分析。因此，需要智能计算技术来解释和评估数据集。
药物设计同样受益于AI（图18）， AI可以帮助科学家建立蛋白质的3D结构、模拟药物和蛋白质之间的化学反应以及预测药物的功效。在药理学中，AI可以用于创建靶向化合物和多靶点药物。利用AI还可以设计合成路线、预测反应产率并了解化学合成背后的机制。AI让重新利用现有药物来治疗新的治疗目标变得更加容易。此外，AI对于识别不良反应、测定生物活性和获得药物筛选结果至关重要。
△图18：不同的基于深度学习的药物-靶点相互作用预测算法对应不同的输入特征。（a）基于配体的方法，（b）基于结构的方法，和（c）基于关系的方法
随着大数据和AI技术使用的增长，作物育种开始进行融合与突破（图19）。AI技术可以支持服务的创建、模型的识别以及农业食品应用和供应链阶段的决策过程。AI在农业中的主要目标是准确预测结果并提高产量，同时最大限度地减少资源使用。因此，AI工具提供的算法可以评估产量，预测难以预见的问题或事件以及发生趋势。从种植到收获再到销售，AI促进了整个农业价值链。